Ein stilles Problem in fast allen Unternehmen: Die meisten haben heute kein Informations-, sondern ein Orientierungsproblem: Berichte, Richtlinien, Prozessbeschreibungen etc. Alles ist dokumentiert. Und doch kennen viele Führungskräfte dieses Gefühl: Wir haben viele Informationen. Aber wir sehen das Ganze nicht mehr klar. Entscheidungen entstehen dann nicht aus Übersicht, sondern aus Erfahrung, Intuition oder Zeitdruck. Es fehlt also an Struktur.
Warum klassische Business-Analyse an ihre Grenzen stößt
Business-Analyse setzt genau hier an: Zusammenhänge sichtbar machen, Optionen klären und Entscheidungen vorbereiten. In der Praxis stößt sie jedoch oft an drei Grenzen:
- Zeit: Gute Analyse braucht Zeit. Und Zeit ist fast immer knapp.
- Komplexität: Texte, Prozesse, Entscheidungen und Systeme greifen ineinander.
- Kognitive Überlastung: Je größer die Organisation, desto schwieriger wird es, alles gleichzeitig zu überblicken.
Ergebnis: Man entscheidet häufig auf Basis von Teilbildern und hofft, dass das Gesamtbild schon einigermaßen stimmen wird.
Eine neue Rolle für generative KI: nicht als Orakel, sondern als Verstärker
Viele KI-Diskussionen beginnen mit der falschen Frage: Was kann generative KI alles automatisieren? Eine bessere Frage ist: Wo kann KI unsere Fähigkeit zu verstehen verbessern? Generative KI ist dabei kein Ersatz für Führung. Denn sie kann keine Verantwortung für Entscheidungen übernehmen. Aber sie kann helfen, Ordnung in Komplexität zu bringen, wenn sie systematisch eingesetzt wird. Dazu braucht es eine klare Business-Analyse-Pipeline – und diese ist heute KI-basiert.
Die KI-gestützte Business-Analyse-Pipeline: von Chaos zu Klarheit
Man kann sich eine moderne, KI-basierte Business-Analyse wie eine industrielle Wertschöpfung vorstellen:
- Rohmaterial wird nicht direkt verkauft.
- Es wird gereinigt, sortiert, geprüft und veredelt.
Genauso verhält es sich mit Informationen. Diese Pipeline besteht dabei aus vier Schritten:
- Textverarbeitung und Wissensextraktion
- Prozessmodellierung
- Validierung und Dokumentation
- Optimierung und Automatisierung
Jeder dieser Schritte reduziert Unsicherheit und erhöht die Entscheidungsfähigkeit.
Schritt 1: Texte verstehen, bevor man sie auswertet
Das zentrale Missverständnis: Viele erwarten von generativer KI, dass sie lange Dokumente einfach „versteht“. In Wirklichkeit arbeitet sie wie ein schneller Mitarbeiter. Allerdings mit einem begrenzten Arbeitsgedächtnis. Das heißt, gibt man ihr einen ungeordneten Aktenordner, arbeitet sie schnell, aber nicht gut. Die entscheidende Erkenntnis lautet daher: Die Qualität der KI-Analyse hängt weniger vom Sprachmodell ab als von der Struktur der Texte, die wir zur Verfügung stellen.
Gute Textverarbeitung bedeutet hier dann, Texte sauber aufzubereiten, sie logisch zu strukturieren, sie abschnittsweise zu verdichten und schließlich die Ergebnisse zu überprüfen. Erst dann wird aus Text Wissen.
Schritt 2: Prozesse sichtbar machen, ohne sie zu perfektionieren
In jedem Unternehmen existieren Prozesse:
- Wer entscheidet?
- Wer arbeitet zu?
- Wo wird geprüft?
- Wo wird gewartet?
Das Problem: Dieses Wissen liegt selten sauber vor. Es steckt in Köpfen, Gesprächen und sonstigen Dokumenten (E-Mails, PDFs usw.). Generative KI kann aus diesen Wissensfragmenten erste Prozessbilder erzeugen: nicht perfekt. Nicht endgültig. Aber ausreichend, um darüber zu sprechen. Ein Prozessmodell ist dabei kein technischer Bauplan. Es ähnelt eher einer Landkarte.
Warum das für CEOs relevant ist: Menschen diskutieren besser über Bilder als über Texte. Denn ein visualisierter Prozess macht Annahmen sichtbar, zeigt Lücken auf und offenbart Widersprüche. Vor allem erlaubt er etwas Entscheidendes: Varianten zu denken, statt sich (zu) früh auf eine Lösung festzulegen.
KI als Sparringspartner, aber nicht als Jasager in diesem Kontext
Generative KI ist keine neutrale Technologie. Sie ist vielfach vorstrukturiert durch Entscheidungen, Ideologien/Werte etc. seitens der Anbieter– und zwar bereits vor jeder User-Eingabe. Wenn wir dann als User mit ihr interagieren, fungiert sie aber auch noch als unser Spiegel. Das heißt, diese Sprachmodelle tendieren in längeren Chats dazu, unsere Denkstile zu übernehmen, unsere Annahmen zu bestätigen und unsere blinden Flecken zu bedienen.
Das ist kein Fehler. Das ist Statistik und das Ergebnis eines Höflichkeitstrainings etc. des jeweiligen Sprachmodells. Hinzu kommt darüber hinaus, dass wir uns gleichfalls auf das Sprachmodell „eingrooven“, sodass man von einer Art „Tango“ von generativer KI und Nutzer sprechen kann. Generative KI wird jedoch wertvoll, wenn man sie dazu bringt, Alternativen bzw. Varianten zu liefern, Gegenfragen zu stellen und implizite Annahmen, Voreingenommenheit bzw. blinde Flecke offenzulegen. Denn dann wird sie zu einem kritisch-reflexiven Sparringspartner in der Business-Analyse.
Schritt 3: Qualität sichern, ohne Geschwindigkeit zu verlieren
Je schneller Entscheidungen getroffen werden müssen, desto eher wird Qualitätssicherung verkürzt. Das ist zwar menschlich, aber durchaus riskant. Was KI hier besonders gut kann: KI wird nicht müde. Sie übersieht keine Details. Und sie kann systematisch Unklarheiten, Widersprüche, doppelte Schritte und Abweichungen zwischen Beschreibung und Realität aufdecken. Wichtig ist dabei: KI entscheidet nicht. Sie macht sichtbar!
Dokumentation als Nebenprodukt
Wenn Analyse und Modelle sauber vorliegen, entsteht Dokumentation fast automatisch. Was früher Stunden oder Tage kostete, reduziert sich nun drastisch durch Wiederverwendung klarer Strukturen.
Schritt 4: Optimierung und Automatisierung als Folge, nicht als Ziel
Ein verbreiteter Irrtum: Viele Unternehmen starten mit Automatisierung, bevor sie verstanden haben, was sie eigentlich automatisieren. Die Ergebnisse sind schnellere, aber möglicherweise falsche Abläufe.
Abläufe, die niemals hätten automatisiert werden sollen, weil es besser gewesen wäre, sie entweder ganz zu eliminieren oder zumindest zuerst neu zu konzipieren. Die falsche Automatisierungsweise, weil generative KI auf regelhafte Abläufe losgelassen wird. Ein schneller Return on Investment (ROI), der nicht nachhaltig ist. KI-Piloten, die nicht skalieren und daher abgebrochen werden.
Eine bessere Reihenfolge: Eine Optimierung der Abläufe beginnt unter anderem mit Fragen wie:
- Wo warten Menschen?
- Wo wird doppelt gearbeitet?
- Wo entstehen Medienbrüche?
KI kann hier in Verbindung mit bestehenden Ansätzen aus den Bereichen des Geschäftsprozessmanagements und von Process Minings Hypothesen liefern, die den Weg zur Erkenntnis massiv verkürzen. Die Automatisierung von Abläufen wird dann zur logischen Folge, aber nicht zum Selbstzweck.
Was diese KI-basierte Business-Analyse-Pipeline wirklich verändert
Diese Pipeline ersetzt keine Führung, Automatisierungsstrategie, Erfahrung oder Verantwortung. Aber sie verändert etwas Grundlegendes: Sie verschiebt die Grenze dessen, was Organisationen in begrenzter Zeit verstehen können.
Für CEOs bedeutet das:
- Weniger Bauchgefühl unter Zeitdruck
- Mehr Übersicht über Zusammenhänge
- Bessere Gespräche über Optionen statt Meinungen
Oder in aller Kürze: nicht schneller entscheiden, sondern früher verstehen, worüber entschieden wird.
Diese KI-gestützte Form der Business-Analyse ist keine technische Spielerei. Sie ist eine neue Denkdisziplin für Organisationen, die in komplexen Umfeldern handlungsfähig bleiben wollen. Generative KI ist dabei nicht der Held der Geschichte. Der Held bleibt die Führungskraft: freilich mit besseren Werkzeugen, klareren Bildern und mehr Übersicht.
Gastautor: Peter Bormann,
Senior Business Process Analyst der WAITS Software- und Prozessberatungsgesellschaft mbH